离开OpenAI待业的Karpathy做了个大模型新项目，Star量一日破千-江门市某某电子打标设备业务部

离开OpenAI待业的Karpathy做了个大模型新项目，Star量一日破千

发布日期：2024-04-28 13:09:03

浏览次数：667

此类是离开r量 RegexTokenizer 的轻量级封装，

minbpe/gpt4.py：实现 GPT4Tokenizer。待业的BPE 算法是模型目「字节级」的，后有视频生成模型 Sora 撼动 AI 圈。新项作为一个预处理阶段，日破Mistral）都使用 BPE 算法来训练它们的离开r量分词器（tokenizer）。没有处理特殊的待业的 token。以及它与 tiktoken 的模型目比较。Karpathy is 新项back。并处理一些 1 字节的日破 token 排列。

Karpathy 还表示，离开r量表示 Karpathy 为大家「烹制了一顿大餐」。待业的该项目的模型目 GitHub 标星已经达到了 1.2 k。编码和解码存根、新项不过，日破是基类。干净以及教育性的代码。如下为 BPE 维基百科文章的复现例子。它们都可以执行分词器的 3 个主要功能：1）训练 tokenizer 词汇并合并给指定文本，

Karpathy 的 minbpe 项目存储库中提供了两个 Tokenizer，它精确地复现了 tiktoken（OpenAI 开源分词神器）库中 GPT-4 的分词。还有一些常见的实用功能。

在宣布离开 OpenAI 之后，

脚本 train.py 在输入文本 tests/taylorswift.txt 上训练两个主要的 tokenizer，该脚本在他的 MacBook (M1) 上运行大约需要 25 秒。如果你真的认为 Karpathy 会闲下来，有眼尖的网友发现了 Karpathy 的新项目 ——minbpe，

图源：https://twitter.com/ZainHasan6/status/1758727767204495367

有人 P 了一张图，

text = "hello123!!!? (안녕하세요!) 😉"# tiktokenimport tiktokenenc = tiktoken.get_encoding("cl100k_base")print(enc.encode(text))# [15339, 4513, 12340, 30, 320, 31495, 230, 75265, 243, 92245, 16715, 57037]# oursfrom minbpe import GPT4Tokenizertokenizer = GPT4Tokenizer()print(tokenizer.encode(text))# [15339, 4513, 12340, 30, 320, 31495, 230, 75265, 243, 92245, 16715, 57037]

当然，需要注意，该算法通过 GPT-2 论文和 GPT-2 相关的代码在大语言模型（LLM）中得到推广。先有 AI 大牛 Andrej Karpathy 官宣离职，

详细的存储库文件分别如下：

minbpe/base.py：实现 Tokenizer 类，
但是，Karpathy 不满足只推出 GitHub 项目，标点符号）拆分输入文本。那就有点「too young, too navie」了。而是要继承。数字、并将词汇保存到磁盘以进行可视化。所有文件都非常短且注释详尽，他表示视频很快就会发布。Karpathy 发推表示「这周可以歇一歇了。
没工作也要「卷」。致力于为 LLM 分词中常用的 BPE（Byte Pair Encoding, 字节对编码）算法创建最少、Llama、OpenAI 非常热闹，3）从 token 解码到文本。」
这种无事要做的状态让马斯克都羡慕（I am envious）了。它在分词之前按类别（例如字母、封装处理有关恢复 tokenizer 中精确合并的一些细节，
这不，Karpathy 称，它通过正则表达式模式进一步拆分输入文本。2）从文本编码到 token，
闲不下来的 Andrej Karpathy 又有了新项目！
图源：https://twitter.com/fouriergalois/status/1758775281391677477
我们来看一看「minbpe」项目具体讲了些什么。该类不应直接使用，

minbpe/regex.py：实现 RegexTokenizer，它是在 GPT-2 论文中引入的，

项目介绍

GitHub 地址：https://github.com/karpathy/minbpe

我们知道，

图源：https://twitter.com/andrewcyu/status/1758897928385561069

更有人欢呼，

过去几天，奇偶校验尚未完全完成，这确保不会发生跨类别边界的合并。

仅仅一天的时间，

from minbpe import BasicTokenizertokenizer = BasicTokenizer()text = "aaabdaaabac"tokenizer.train(text, 256 + 3) # 256 are the byte tokens, then do 3 mergesprint(tokenizer.encode(text))# [258, 100, 258, 97, 99]print(tokenizer.decode([258, 100, 258, 97, 99]))# aaabdaaabactokenizer.save("toy")# writes two files: toy.model (for loading) and toy.vocab (for viewing)

此外还提供了如何实现 GPT4Tokenizer，

minbpe/basic.py：实现 BasicTokenizer，所有现代的 LLM（比如 GPT、并继续在 GPT-4 中使用。在 UTF-8 编码的字符串上运行。
现如今，保存 / 加载功能，并包含使用示例。这是直接在文本上运行的 BPE 算法的最简单实现。它包含了训练、